ERIA-医疗行业提升乳腺癌检测EFxMammo：一个多体验人工智能评估的结果（英译中）

“精选摘要：作流程和效率优势。放射科医生通常必须仔细审查每张乳腺X光片，以发现癌症的细微迹象（例如微小的钙化或轻微的变形）——这是一项耗时且容易因人疲劳而出错的任务。AI可以自动检测明显的正常病例并标记可疑区域，从而简化阅片流程。研究表明，AI支持可以通过引导放射科医生的注意力来减少寻找细微异常（如微。”

1. 乳腺癌是全球主要的癌症致死原因，通过筛查钼靶进行早期检测对改善预后至关重要（Elhakim等人，2024年；石等人，2025年）。

2. 然而，钼靶的有效性取决于其诊断准确性，这可能因地区和人群而异。

3. 对北美和欧洲研究的一项荟萃分析报告称，数字钼靶的联合灵敏度约为76%，特异性为94%–97%（石等人，2025年）。

4. 在实践中，性能差异很大：例如，一家印度尼西亚医院观察到钼靶的灵敏度约为90.1%，特异性为93.6%，而巴基斯坦的一项研究发现灵敏度高达97%，但特异性仅为约64.5%（Lehman等人，2015年）。

5. 这种差异源于多个因素，包括技术差异、患者人群和乳房成分的不同。

6. 值得注意的是，乳房密度显著影响钼靶灵敏度——致密乳房组织会掩盖肿瘤，与以脂肪为主的乳房（灵敏度为86%–89%）相比，致密乳房的灵敏度会降低至62%–68%（Carney等人，2003年；Kerlikowske和Phipps，2011年）。

7. 致密乳房在年轻女性和某些族裔（包括许多亚洲人群）中更常见，部分解释了检测率的地区差异（delCarmen等人，2007年）。

8. 除了患者因素外，放射科医生在解释性能方面存在明显差异。

9. 研究已记录到，即使在类似条件下工作的放射科医生之间，敏感性也存在巨大差异（Elmore等人，2009年）。

10. 这种阅片者间的差异意味着一些癌症未被检出（漏诊癌症），而一些没有癌症的患者由于假阳性读数而进行了不必要的复查和焦虑（Elmore等人，2009年）。

11. 在印度尼西亚等医生短缺的国家，这个问题尤为突出，特别是那些专攻乳腺影像的医生。

12. 由于专家人力有限，许多筛查乳腺X线照片可能由普通放射科医生或实习生进行解释，这可能会增加差异和诊断错误。

13. 这些挑战突显了迫切需要创新解决方案来支持放射科医生，提高一致性，并保持乳腺癌检出率高准确性。

14. 人工智能（AI）已成为乳腺X线筛查和诊断中一种有前景的辅助工具。

15. 由深度学习驱动现代AI系统，可以在大量的乳腺X线照片上进行训练以识别恶性肿瘤的模式。

16. 在最近的研究中，AI算法在回顾性设置中的诊断性能与人类放射科医生相当，甚至超过（Kim等，2020）。

17. 例如，一个在乳腺X线筛查中评估的AI系统，癌症检测的曲线下面积（AUC）为0.94——显著高于0.81的AUC无辅助放射科医生——并且当用作第二位阅片医生时，可提高放射科医生的表现（Kim等人，2020年）。

18. 这些结果强调了人工智能作为“第二双眼睛”的潜力，能够捕捉人类可能忽略的细微癌症，并减少阅片医生之间的差异。

19. 值得注意的是，人工智能更一致的分析可以解决人类解读中的差异：与人类不同，经过验证的人工智能算法将对每个病例应用相同的标准，这可能有助于在不同从业者之间统一解读标准近期使用深度学习的AI系统在传统的计算机辅助检测（CAD）工具上显示出显著改进。

20. 若干当代研究显示AI辅助能提升放射科医生的诊断性能。

21. Kim等人报道，与放射科医生一同使用AI系统使得癌症检测灵敏度提高约9.5%，特异性提高2.7%，与无AI的读数相比（Kim等人，2020）。

22. 然而，并非所有试验都发现对性能有统计学上的显著影响；一些研究发现，经验丰富的放射科医生的指标（灵敏度、特异性）在使用或不使用AI支持时相似（Pacilè等人，2020；Dang等人，2022）。

23. 这些复杂的结果表明，AI的益处可能取决于背景——案例的难度、阅片者的经验以及特定AI算法的能力都会影响结果。

24. 因此，在不同环境下进行严格评估是必要的，以确定AI在乳腺影像学中能提供最大价值的领域。

25. 除了准确性之外，乳腺X光检查中的AI工具还提供潜在的工作流程和效率优势。

26. 放射科医生通常必须仔细审查每张乳腺X光片，以发现癌症的细微迹象（例如微小的钙化或轻微的变形）——这是一项耗时且容易因人疲劳而出错的任务。

27. AI可以自动检测明显的正常病例并标记可疑区域，从而简化阅片流程。

28. 研究表明，AI支持可以通过引导放射科医生的注意力来减少寻找细微异常（如微钙化）所需的时间（Lehman等人，2015年）。

29. 通过集成AI，一项模拟预测称，在不影响诊断准确性的情况下，放射科医生的工作量可以减少超过50%（Dembrower等人，2020年）。

30. 在一项对国家筛查队列的大规模回顾性分析中，研究人员发现，在双读片计划中用AI替换一名人类阅片医生，可以将阅片量减少近一半，同时保持癌症检出率（Elha等人，2024年）。

31. 此外，将AI用作自主分诊工具——即AI清除明显正常的检查并将只有可疑或高风险病例转交给放射科医生——与标准双读片相比，实现了近50%的工作量减少，甚至略微提高了癌症检出率（Elhakim等人，2024年）。

32. 这些效率对于面临高筛查量和劳动力短缺的医疗系统尤其相关。

33. 如果放射科医生可以将他们的专业知识集中到最需要的地方（即复杂病例），而让AI处理简单病例，那么整体筛查计划可以更有效地运行。